AIPW
将逆概率加权与结果回归模型结合的因果推断估计器，具有双重稳健性——只要倾向得分模型和结果模型之一正确设定即保持一致，方差通常低于纯IPW
时间轴 (近 90 天)
一项发表在arXiv上的模拟研究针对二值结局的平均处理效应（ATE）评估了TMLE和AIPW的样本分割选择影响，八个头条估计量共享相同的nuisance模型库、内部折数与截断界限。
在低复杂度模型库加良好重叠（n=3000）的设定下，除半样本基线外，所有估计量的覆盖率在0.928–0.939之间，彼此等价。
在近正性设定下，每个AIPW估计量的覆盖率都好于每个采用未加权波动的TMLE估计量，差距在主设定下为0.907–0.917对0.656–0.806，且所有TMLE都出现欠覆盖。
双重稳健性是AIPW与TMLE共同的卖点：估计量由结局回归模型与倾向得分模型两部分构成，只要其中之一设定正确，ATE估计就是一致的。
两项真实数据分析印证了上述敏感性，说明这些模式并非模拟人工产物。
在重叠较差时，应主动评估截断界限的选择，并同时报告AIPW与TMLE的结果，而不是只选一个。
全部知识事实 (6)
一项发表在arXiv上的模拟研究针对二值结局的平均处理效应（ATE）评估了TMLE和AIPW的样本分割选择影响，八个头条估计量共享相同的nuisance模型库、内部折数与截断界限。
50%待验证在低复杂度模型库加良好重叠（n=3000）的设定下，除半样本基线外，所有估计量的覆盖率在0.928–0.939之间，彼此等价。
50%待验证在近正性设定下，每个AIPW估计量的覆盖率都好于每个采用未加权波动的TMLE估计量，差距在主设定下为0.907–0.917对0.656–0.806，且所有TMLE都出现欠覆盖。
50%待验证双重稳健性是AIPW与TMLE共同的卖点：估计量由结局回归模型与倾向得分模型两部分构成，只要其中之一设定正确，ATE估计就是一致的。
50%待验证两项真实数据分析印证了上述敏感性，说明这些模式并非模拟人工产物。
50%待验证在重叠较差时，应主动评估截断界限的选择，并同时报告AIPW与TMLE的结果，而不是只选一个。
50%